论文阅读笔记：MobileFaceNets: Efficient CNNs for Accurate RealTime Face Verification on Mobile Devices
Tags：Deep_Learning_基础论文
本文主要包含如下内容：
本篇论文来自北京交通大学，2018年CVPR，论文参考MobileNet进行优化，提出了MobileFaceNets。
主要思想
针对人脸识别任务，论文从三个方面改进了MobileNetV2。即针对平均池化层，采用了可分离卷积代替平均池化层；针对人脸识别任务，采用ArcFace/Insightface的损失函数进行训练。针对网络结构，通道扩张倍数变小；使用Prelu代替relu;使用batch Normalization。
算法原理
针对平均池化层，许多研究表明，使用平均池化层会使得网络表现下降。在最后一个7*7特征图中，虽然中心点的感知域和边角点的感知域是一样的，但是中心点的感知域包括了完整的图片，边角点的感知域却只有部分的图片，因此每个点的权重应该不一样，但是平均池化层却把他们当作一样的权重去考虑了，因此网络表现会下降。因此，作者在此处使用了可分离卷积代替平均池化层，即使用一个7*7*512（512表示输入特征图通道数目）的可分离卷积层代替了全局平均池化，这样可以让网络自己不同点的学习权重。 （可以参考博客：论文阅读笔记：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications）
实验结果
首先，论文中和传统MobileNet、ShuffleNet进行了对比，在CASIA-Webface上进行训练，损失采用ArcFace/Insightface的损失。
接下来，论文中和其他算法进行了对比，在清理过的MS-Celeb-1M上进行训练，损失采用ArcFace/Insightface的损失。并在LFW和Megaface进行验证。
总结
这篇文章已经没有从损失上进行修改，反而从网络上进行了修改，是一个很好的思路。